SISTEM KLASIFIKASI AIR MINERAL BERBASIS VISI UNTUK INVENTARISASI DAN PEMINDAIAN OTOMATIS MENGGUNAKAN YOLOV8

Pengelolaan inventaris pada industri distribusi air mineral masih banyak dilakukan secara konvensional, sehingga berisiko menimbulkan kesalahan pencatatan, keterlambatan dalam rekapitulasi, serta perbedaan antara jumlah stok fisik dan data administrasi. Kondisi ini menunjukkan perlunya sistem inventarisasi yang lebih efisien, akurat, dan terotomatisasi. Penelitian ini bertujuan untuk merancang sekaligus mengimplementasikan sistem inventarisasi dus air mineral berbasis computer vision dengan memanfaatkan algoritma YOLOv8 yang terintegrasi dengan perangkat Internet of Things (IoT), yaitu ESP32-CAM. Metodologi penelitian mencakup tahap analisis kebutuhan, perancangan arsitektur sistem, pengumpulan dan anotasi dataset, pelatihan model YOLOv8, hingga implementasi serta evaluasi sistem secara real-time. Dataset yang digunakan terdiri atas tiga kategori objek, yakni Kardus 220, Kardus 330, dan Kardus 600, dengan total 204 citra yang dibagi ke dalam data pelatihan, validasi, dan pengujian. Evaluasi performa model dilakukan menggunakan metrik precision, recall, dan mean Average Precision (mAP), sementara kinerja sistem dianalisis berdasarkan waktu inferensi serta stabilitas operasionalnya. Hasil penelitian menunjukkan bahwa model YOLOv8 mencapai nilai precision sebesar 0,9445, recall sebesar 0,8783, dan [email protected] sebesar 0,7390. Nilai-nilai tersebut diperoleh dari evaluasi model pada data validasi menggunakan framework Ultralytics YOLOv8. Precision dihitung sebagai rasio true positive terhadap total prediksi positif, recall sebagai rasio true positive terhadap total objek aktual, dan [email protected] sebagai rata-rata AP ketiga kelas (Kardus 220, Kardus 330, Kardus 600) pada ambang IoU 0,5. Proses kategorisasi kelas dalam YOLOv8 dilakukan oleh classification head yang menggunakan softmax untuk membedakan ketiga kelas secara serentak dengan regression head dalam satu tahap inferensi (single-stage detection). Sistem mampu melakukan proses inferensi dengan rata-rata waktu 60–120 milidetik per frame pada resolusi 320×240 piksel dengan kecepatan 6–9 FPS. Implementasi sistem ini terbukti meningkatkan efisiensi hingga 96,5% dibandingkan metode manual serta memungkinkan penyediaan rekapitulasi data secara otomatis. Keywords: Deep Learning Architecture, Object Counting, Real-Time Processing, Warehouse Management, IoT Integration, Computer-Based Detection.